faster-whisper 更快的语音到文字的识别 ASR

nanimarcus

' O  |8 G4 |6 e* z& z! e
4 l1 p% b4 f5 I借着 chatGPT 这股热潮研究了一下 Whisper，学名叫 automatic speech recognition (ASR) ，就是转换声音到文字的。
" Z) t8 \! o9 Q% S, }效果我是很满意的，唯一不满的是速度，在六年前的主流显卡上基本上是一倍速，基本上只用在自己特别喜欢的媒体文件上了。
; C6 x! w: y( n; F3 c----------------------------------------
+ E! j, C! q6 W( o; C显然不满意的不是我一个，活雷锋很快就出来了，名字很谦虚也很霸气 faster-whisper。
在六年前主力显卡3G内存上，model small，能跑到12倍速，这个是相当满意了。
9 P, y2 x+ I% W5 r. H0 a/ X: P----------------------------------------
$ S& c- u+ n( w2 D2 j1 [0 D, U- uhttps://github.com/guillaumekln/faster-whisper
' t6 X6 V6 H  C# W7 ?安装如下：
1, Windows 10
2, Python 3.10.11
3, CUDA 12.1
+ W/ P4 L6 n5 j: G2 ~0 ]; q4 X4, 在python 3 中安装
5 K: I& q: ?9 Wpip install setuptools-rust torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
! x  i) e7 w$ Q这一步最后一个安装文件 cu117-cp310-cp310-win_amd64.whl 大小2343.6 MB，如果没显示，你得检查一下你的环境。
5，pip install -U openai-whisper
这是向whisper 致敬，可以不装
6，pip install faster-whisper
9 X7 E, B1 H2 E: Q----------------------------------------
whisper 我用的命令行，faster-whisper 我用的是python。
" l" q/ {( }1 G) D/ n) e7 ?; s$ G下面给出了部分参考代码，根据主页上的参考代码我做了修改，但这个不是能运行的代码：
1 \7 d! a6 H! s! G& g
1 k2 q; e8 ]1 p6 A4 L4 i/ ~----------------------------------------

from faster_whisper import WhisperModel
; x) w* d# z3 T
8 x) Q; I$ I9 R9 Jmodel_size = "small"
3 E% J( P/ z, L! s- w  Y
; x% y* r# n# v( M* V+ Ymodel = WhisperModel(model_size, device="cuda", compute_type="int8")
3 j" [- J8 C5 v0 N0 |
segments, info = model.transcribe(
    sourceFileName,
    beam_size=5,
    language="en",
$ i  O- q; F: ]    task="transcribe",
, Y* X& |9 l9 n9 N    word_timestamps=True,
    initial_prompt = "Hello, welcome to my lecture.")
+ Z( {+ X, I8 B4 S
for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

        for word in segment.words:
% A0 p. m8 e! ^9 u( W               
' i" Q, ^, n6 @  M9 Q----------------------------------------

# P9 c/ B  ]0 \代码说明：
1，model.transcribe 只是建立了模型，并没有运行，运行 是从 for segment in segments: 这一句开始的。
# z& Y% b2 M! Q; j+ E但是这一步很重要（废话），我的程序有时候会无征兆退出就是在这一步，没有任何错误信息，倒是Windows 侦测到，但也没给出有意义的信息。
  H; p, l' K$ f) i2，segment 本身是很粗糙的，做字幕勉强能用。
/ K) K3 ?. D; O4 f* x3，word 才是真正的精确控制的，本身带时间轴，所以要做比较好的字幕，必须用到word。
; o; x) }- W* A- B4，word 里面是包含标点符号的，也就是说标点符号不是独立的，是附着在前一个word中
5 ~  n" D/ H8 b( B# v- \比如 "faster." 这个句号是和前一个单词 faster 放在同一个 word 里面的。
5，model.transcribe 中参数说明：
: {: H! m' C+ m8 ]3 \5 Q  E你要是对 whisper 的参数有所了解的话，基本上这些参数就是对应whisper 的参数
% o$ T. {% {3 B6 m' K3 q: l其中
    word_timestamps=True,
保证了你能拿到 word，否则是拿不到的
    initial_prompt = "Hello, welcome to my lecture.")
保证能尽可能准确的断句 punctuation，但是不是决定性的。
' F- n. |+ C& I- J) q3 W' S6 Q其他参数可参考源文件：
) j; n7 y, A# g3 P* e$ P, qhttps://github.com/guillaumekln/ ... isper/transcribe.py
! i9 \  U  |5 m+ |6 d) Y$ u" Z152 def transcribe(
! z/ q4 ~) V- o) l! ]2 X  T7 J# L从源文件你可以看到是支持中文的句号断句的。

% h$ p+ {/ E  s6 y6，如果要尽可能准确的 punctuation，根本办法是用比较大的模型 medium，或者更大。
7，我自己观察一个小时之内可以保证断句准确，再长就很可能不行，所以我的办法是切割文件到一个小时，识别后再聚合，效果不错。
8，faster-whisper 会上传一些信息，检测到不停的使用网络，曾经有一次代码出错就是访问网络，你要是有洁癖就把网络暂时给关了。
6 G' a$ V6 _# f: @9 z# C. p  B! B+ H

* ~  M9 f# Y2 K6 t) M  Z4 j- E
' C4 ^9 }  ?" p  a+ s

nanimarcus

多谢各位榜爷打赏。